一文教你学会pandas的DataFrame常用操作

女爷i 2022-09-09 06:39 789阅读 0赞

DataFrame是pandas最常用的对象，其类似于excel中的表格，完成数据读取后，数据就以DataFrame数据结构存储在内存中，但是此时并不能直接开始统计分析，需要使用DataFrame的属性和方法对数据的分布、大小等基本的数据状况有一个了解，然后才可以根据数据的状况，进行特定的统计分析。

DataFrame是一个带有标签的二维数组，每个标签相当于每一列的列名，DataFrame的单列数据为一个Series，即Series是一个带标签的一维数组。

### pandas之DataFrame常用操作 ###

*  1.查看DataFrame的常用属性
 *   *  values、index、columns和dtype
     *   *  size、ndim、shape、T
 *  2.增删改查DataFrame中的数据
 *   *  2.1 DataFrame基本的查看方式
     *   *  单列数据的访问
         *  单列多行数据的访问
         *  多列多行数据的访问
         *  多行数据的访问
         *  head, tail访问多行数据
     *  2.2 DataFrame的loc、iloc查看方式
     *   *  loc、iloc单列切片
         *  loc、iloc多列切片
         *  loc、iloc花式切片
         *  loc、iloc条件切片
         *  小结
     *  2.3 更改DataFrame中的数据
     *  2.4 DataFrame增添数据
     *  2.5 DataFrame删除数据
 *  3. 描述分析DataFrame数据
 *   *  3.1 数值型特征的描述性统计
     *  3.2 类别型特征的描述性统计

# 1.查看DataFrame的常用属性 #

## values、index、columns和dtype ##

DataFrame的基本属性有values、index、columns和dtype，分别可以获取元素、索引、列名和类型。

这里以sklearn中的boston房价数据集为例进行介绍，ndarry数据是可以和DataFrame数据相互转换的，此处基于ndarry的boston数据，构建DataFrame数据。

import pandas as pd
    from sklearn.datasets import load_boston
    
    
    boston = load_boston()
    data = boston['data']  # 获取数据，data的数据类型为ndarry
    feature_names = boston['feature_names']  # 获取数据的特征名称，将其作为DataFrame的列名
    
    house_price = pd.DataFrame(data, columns=feature_names)  # 构建DataFrame数据
    print(house_price)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16]

print(house_price.values)  # 输出房价表的所有值

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 1]

print(house_price.columns)  # 输出房价表的列名

![在这里插入图片描述][078085e7424d4720bed384aac92e5a36.png]

print(house_price.dtypes)  # 数据房价表的数据类型

![在这里插入图片描述][cc8839ffa7594c018a82dff1e29ef9c7.png]

### size、ndim、shape、T ###

print(house_price.size)  # 输出房价表的元素个数
    print(house_price.ndim)  # 输出房价表的维度数
    print(house_price.shape)  # 输出房价表的形状

![在这里插入图片描述][4d80c6edb4ad41c6b6df7bb0ba49a3f6.jpg]  
T属性可以实现DataFrame的转置，在某些场景下某些函数方法只能作用与行或者列，所以可以用转置来解决这一个问题。

print(house_price.T)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 2]

# 2.增删改查DataFrame中的数据 #

## 2.1 DataFrame基本的查看方式 ##

### 单列数据的访问 ###

DataFrame的单列数据为一个Series，DataFrame是一个带有标签的二维数组，每个标签相当于每一列的列名，只要以字典访问某一个key的值的方式使用对应的列名，就可以实现单列数据的访问

print(house_price['CRIM'])

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_13_color_FFFFFF_t_70_g_se_x_16]

### 单列多行数据的访问 ###

访问DataFrame中的某一列的多行时，单独一列的DataFrame是一个Series（pandas中的定义的一个类，可看作只有一列的DataFrame）访问一个Series和访问一个一维的ndarry相同

print(house_price['CRIM'][:5])

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_13_color_FFFFFF_t_70_g_se_x_16 1]

### 多列多行数据的访问 ###

访问DataFrame多列数据，可以将多个列索引放入一个列表

print(house_price[['CRIM', 'ZN']][:5])

![在这里插入图片描述][9635390972a544488ffda9ab28f2f1d7.png]  
可以看到上面是把列放在前面，然后才是行，这一点一定不要弄混，先控制列，再控制行。

### 多行数据的访问 ###

如果我们想要访问某几行数据的所有列的数据，特殊的我们不必把所有的列都加到列表然后通过多列多行的方式访问，我们可以直接利用" : “代替。注意” : "代替的是所有列，前面表示的是列，后面的表示的是行。

print(house_price[:][:5])

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 3]

### head, tail访问多行数据 ###

除了上面访问多行数据的方式外，特殊地，我们还可以通过DataFrame提供的head和tail方法得到多行数据，但是这两种方法得到的数据都是从开始或者末尾获取的连续数据

print(house_price.head())
    print(house_price.tail())

可以看到head方法访问的是前5行数据  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 4]  
tail方法访问的是末5行的数据  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 5]  
另外我们可以在方法中传入行数参数，即可实现目标行数的查看

print(house_price.head(2))  # 如：查看前两行数据

![在这里插入图片描述][fd67464cd6354f73bd8a561e0e2edc84.png]

## 2.2 DataFrame的loc、iloc查看方式 ##

其实我们可以感受到DataFrame基本的数据查看方式其实并不是很灵活，pandas提供了loc和iloc两种更加灵活的方法实现数据的访问。

loc方法是针对DataFrame索引名称的切片方法，如果传入的不是索引名称，那么操作将无法执行。loc方法的使用方法如下：

DataFrame.loc[行索引名称或条件， 列索引名称]

iloc和loc的区别是，iloc接收的必须是行索引和列索引的位置，iloc方法的使用方法如下：

DataFrame.iloc[行索引位置， 列索引位置]

（和基本的访问方式正好相反，行在前，列在后，一定注意）

### loc、iloc单列切片 ###

print(house_price.loc[:, 'CRIM'])  # 访问列'CRIM'
    print(house_price.iloc[:, 3])  # 访问第三列

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_12_color_FFFFFF_t_70_g_se_x_16]  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_12_color_FFFFFF_t_70_g_se_x_16 1]

### loc、iloc多列切片 ###

print(house_price.loc[:, ['CRIM', 'ZN']])  # 访问'CRIM', 'ZN'这两列
    print(house_price.iloc[:, [1, 2]])  # 访问列索引为1，2的列，其实是第二和第三列

![在这里插入图片描述][442d12e2c63643f59dfd31ea066c542b.png]  
![在这里插入图片描述][dc50e216e3c4463c84e3e4f4a9a5c5c1.png]

### loc、iloc花式切片 ###

行名为3，4，5，6，7，8 列名为’CRIM’、 'ZN’的数据

print(house_price.loc[3:8, ['CRIM', 'ZN']])  #

注意：这里的3:8，包含8等同于：`house_price.loc[[3, 4, 5, 6, 7, 8], ['CRIM', 'ZN']]`  
![在这里插入图片描述][6ec3266a46614fd7aa204765788028b9.png]

print(house_price.iloc[3:8, 1:3])

此处的行位置和列位置，和python的切片是一致的，不包含末尾，只包含起始位置。  
上面的代码等同于：`house_price.iloc[[3, 4, 5, 6, 7], [1, 2]]`  
![在这里插入图片描述][ba4fb296a0ed460780630e24f6567948.png]

### loc、iloc条件切片 ###

loc的内部可以传入表达式，结果会返回满足表示的所有值。而iloc方法不可以接收表达式，原因在于此处条件返回的为一个布尔值Series，而iloc可以接收的数据类型并不包括Series，根据Series的构成，只需要取出改Series的values就可以了。

输入列名为‘CRIM’小于0.02的，CRIM和ZN这两列的数据

print(house_price.loc[house_price['CRIM'] < 0.02, ['CRIM', 'ZN']])

![在这里插入图片描述][11a00a9c654b4493aeada92b0682ff80.png]

print(house_price.iloc[(house_price['CRIM'] < 0.02).values, [0, 1]])

这和上面的代码结果是一致的。

### 小结 ###

在使用loc方法的时候，如果内部传入的行索引名称为一区间，则前后均为闭区间；使用iloc方法时，如果内部传入的行索引位置或列索引位置为区间，则为前闭后开区间。

其实我们也可以感受到，loc更加灵活，代码可读性高，iloc代码简洁，但是可读性不高，具体使用哪一种，大多数情况建议使用loc。

## 2.3 更改DataFrame中的数据 ##

更改DataFrame中的数据主要是通过将数据提取出来，重新赋值为新的数据。这种对数据的修改是无法撤销的。

首先输出CRIM列值为0.00632的数据，然后将CRIM列的值为0.00632的数据改为1，最后再查询输出CRIM列值为0.00632的数据

print(house_price.loc[house_price['CRIM'] == 0.00632].values)
    house_price.loc[house_price['CRIM'] == 0.00632, 'CRIM'] = 1
    print(house_price.loc[house_price['CRIM'] == 0.00632].values)  # 因为已经修改了，所以为空值

![在这里插入图片描述][42c7d21cf8ac453cb92712585e2a29ee.png]

## 2.4 DataFrame增添数据 ##

为DataFrame增添一列\\行的方法：只需要新建一个列\\行索引，并对该索引下的数据进行赋值操作。  
增加一列：

print(house_price.columns)
    house_price['new'] = house_price['CRIM'] * 0.2
    print(house_price.columns)

![在这里插入图片描述][7818be5b91824f1a891f632fa9d53914.png]  
如果新增一列的值是一样的，则赋值一个常量即可。

增加一行：

print(house_price)
    house_price.loc['new'] = house_price.loc[0]
    print(house_price)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 6]  
在特定位置增加一行，可以参考：https://www.jianshu.com/p/d56bfa6813fe

## 2.5 DataFrame删除数据 ##

删除某列\\行数据需要用到drop方法，该方法的用法如下：

DataFrame.drop(labels, axis=0, level=None, inplace=False, errors="raise")

重要参数及其说明：

<table> 
 <thead> 
  <tr> 
   <th>参数名称</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>labels</td> 
   <td>接收string或array，代表删除的行或列的标签</td> 
  </tr> 
  <tr> 
   <td>axis</td> 
   <td>接收0或1，代表操作的轴向，默认为0</td> 
  </tr> 
  <tr> 
   <td>levels</td> 
   <td>接收int或者索引名，代表标签所在级别，默认为None</td> 
  </tr> 
  <tr> 
   <td>inplace</td> 
   <td>接收boolean，带包操作是否对原数据生效，默认为False</td> 
  </tr> 
 </tbody> 
</table>

删除列：

print(house_price.columns)
    house_price.drop(labels='new', axis=1, inplace=True)
    print(house_price.columns)

![在这里插入图片描述][57d8cf4247d4468ca20061328ea7be15.png]  
删除行：

print(house_price.index)
    house_price.drop(labels='new', axis=0, inplace=True)
    print(house_price.index)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 7]

# 3. 描述分析DataFrame数据 #

描述性统计是用来概括、表述事物整体状况，以及事物间关联、类属关系的统计方法。通过几个统计值可简捷的表示一维数组的集中趋势和离散程度。

## 3.1 数值型特征的描述性统计 ##

数值型特征的描述统计主要包括了计算数值型数据的完整情况、最小值、均值、中位数、最大值、四分位数、极差、标准差、方差、协方差和变异系数等  
在numpy库中已经包含很多统计函数，部分统计函数如表所示

<table> 
 <thead> 
  <tr> 
   <th>函数名称</th> 
   <th>说明</th> 
   <th>函数名称</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>np.min</td> 
   <td>均值</td> 
   <td>np.max</td> 
   <td>最大值</td> 
  </tr> 
  <tr> 
   <td>np.mean</td> 
   <td>均值</td> 
   <td>np.ptp</td> 
   <td>极差</td> 
  </tr> 
  <tr> 
   <td>np.median</td> 
   <td>中位数</td> 
   <td>np.std</td> 
   <td>标准差</td> 
  </tr> 
  <tr> 
   <td>np.var</td> 
   <td>方差</td> 
   <td>np.cov</td> 
   <td>协方差</td> 
  </tr> 
 </tbody> 
</table>

pandas库基于Numpy，所以可以使用这些统计函数进行描述统计，另外pandas还提供了更加便利的方式来进行数值型数据的统计，如下两种方式都可以实现对CRIM列数据的均值的计算：

print(np.mean(house_price['CRIM']))
    print(house_price['CRIM'].mean())

![在这里插入图片描述][c08b5446bfa74726b9dd224008d0fccd.png]  
另外pandas还提供了一个describe的方法，能够一次性得出数据框中所有数值型特征的非空值数目、均值、四分位数和标准差。

print(house_price[:].describe())
    # 当然也可以选择某几列，例如house_price['CRIM', 'ZN'].describe()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 8]  
可以看出describe方法对于数据框进行描述统计是非常方便且实用的。另外pandas还提供了与统计相关的主要方法，如下表，这些方法可以满足绝大多数数据分析所需要的数值型特征的描述统计工作。

<table> 
 <thead> 
  <tr> 
   <th>方法名称</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>min</td> 
   <td>最小值</td> 
  </tr> 
  <tr> 
   <td>max</td> 
   <td>最大值</td> 
  </tr> 
  <tr> 
   <td>mean</td> 
   <td>均值</td> 
  </tr> 
  <tr> 
   <td>ptp</td> 
   <td>极差</td> 
  </tr> 
  <tr> 
   <td>median</td> 
   <td>中位数</td> 
  </tr> 
  <tr> 
   <td>std</td> 
   <td>标准差</td> 
  </tr> 
  <tr> 
   <td>var</td> 
   <td>方差</td> 
  </tr> 
  <tr> 
   <td>cov</td> 
   <td>协方差</td> 
  </tr> 
  <tr> 
   <td>sem</td> 
   <td>标准误差</td> 
  </tr> 
  <tr> 
   <td>mode</td> 
   <td>众数</td> 
  </tr> 
  <tr> 
   <td>skew</td> 
   <td>样本偏度</td> 
  </tr> 
  <tr> 
   <td>kurt</td> 
   <td>样本峰度</td> 
  </tr> 
  <tr> 
   <td>quantile</td> 
   <td>四分位数</td> 
  </tr> 
  <tr> 
   <td>count</td> 
   <td>非空值数目</td> 
  </tr> 
  <tr> 
   <td>describe</td> 
   <td>描述统计</td> 
  </tr> 
  <tr> 
   <td>mad</td> 
   <td>平均绝对离差</td> 
  </tr> 
 </tbody> 
</table>

## 3.2 类别型特征的描述性统计 ##

描述类别型特征的分布状况，可以使用频数统计表。pandas实现频数统计的方法为value\_count，该方法返回值类型为Series，即频数分布表。

print(house_price['RAD'].value_counts())

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_11_color_FFFFFF_t_70_g_se_x_16]  
另外pandas提供了category类，可以使用astype方法将目标特征的数据类型转换为category类型：

house_price['RAD'] = house_price['RAD'].astype('category')
    print(house_price['RAD'])

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 9]  
describe方法除了支持传统数值型数据以外，还能够支持对category类型的数据进行描述统计，4个统计量分别为列非空元素的数目、类别数目、数目最多的类别和数目最多类别的数目。

house_price['RAD'] = house_price['RAD'].astype('category')
    print(house_price['RAD'].describe())

![在这里插入图片描述][718f10055b724b88a5293c885a0d9787.png]

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/4edecbc2a7854c7c9e73a7c02de68477.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/8f9313430bf64422977ad70b843a5601.png
[078085e7424d4720bed384aac92e5a36.png]: /images/20220829/9428160c34424b0ab168e351e0cf3eee.png
[cc8839ffa7594c018a82dff1e29ef9c7.png]: /images/20220829/09cd3a42940649abb1751cb8bb894e69.png
[4d80c6edb4ad41c6b6df7bb0ba49a3f6.jpg]: /images/20220829/2f9ec70c798a481583b21d1e48740161.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220829/516c57ff2e0c49de8478db2112a1804d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_13_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/ffc996d40a7345a1b61651cbf4d84bad.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_13_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/cd444b52e1434d7291fb567a0129629d.png
[9635390972a544488ffda9ab28f2f1d7.png]: /images/20220829/b9178aa70d9042448f37d7b3ac86fa70.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220829/c6131fda955b45c8b1fe010efa049b75.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 4]: /images/20220829/973c277b109d4461b8f22ee055fb9cfd.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 5]: /images/20220829/c24e0cb188c04d089eb3b632ecdbaede.png
[fd67464cd6354f73bd8a561e0e2edc84.png]: /images/20220829/7470919cd1fb4828be72f75c8798fb6e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_12_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/7a86b0c26bc84a63860f21e8ad7cc1ac.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_12_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/a74ebdcd021246969f3268b29acd717f.png
[442d12e2c63643f59dfd31ea066c542b.png]: /images/20220829/ffb9371d857e4a9c90173c6ba9c8b027.png
[dc50e216e3c4463c84e3e4f4a9a5c5c1.png]: /images/20220829/bde4dbdf1d6341a6aeea0576782ff206.png
[6ec3266a46614fd7aa204765788028b9.png]: /images/20220829/4aa63f35c18c4932b3d33669c6f9ce25.png
[ba4fb296a0ed460780630e24f6567948.png]: /images/20220829/866c210523e841b58865cbec486758c8.png
[11a00a9c654b4493aeada92b0682ff80.png]: /images/20220829/5c64d29e23e241ecb4a03c4f25342d9a.png
[42c7d21cf8ac453cb92712585e2a29ee.png]: /images/20220829/20cd0b120586481cb325a6f1664243ce.png
[7818be5b91824f1a891f632fa9d53914.png]: /images/20220829/e4c60fd816254575ab7ccfeaad0174fc.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 6]: /images/20220829/e4df855903a44aaeb5de6685c0311ddc.png
[57d8cf4247d4468ca20061328ea7be15.png]: /images/20220829/9dec35a992df4514b0899a507b9ee08d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 7]: /images/20220829/d4c409d47e7f4b67962292a626050b8f.png
[c08b5446bfa74726b9dd224008d0fccd.png]: /images/20220829/072c19ef300c43f9bc9138226120dedc.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 8]: /images/20220829/f4d4bc8d83a54233932220aa7886ad7e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_11_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/f3c2bde9688948bdacf9cf202639372f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6aaL5a2m5Lmg55qE6Lqr5a2Q_size_20_color_FFFFFF_t_70_g_se_x_16 9]: /images/20220829/548ca004cb094ab49b1f655ca95d792b.png
[718f10055b724b88a5293c885a0d9787.png]: /images/20220829/f1f8afa0e6ec4197b9d7c2f461eda3a2.png